PDF 文件结构(二)

正午_5
162 阅读3分钟

总览

PDF 文件结构(一)

从大的角度 PDF 可以分成下图中的四个部分.

pdf_file_structure.png

Head

Head 一般都只有很少的信息，比如最简单的 %PDF-1.7 这样一行，记录 PDF 版本.

Body

通常情况下 Body 占了 PDF 文件的几乎 95% 以上的内容，Body 是很多 Object 组成的。

Cross reference table

Cross reference table 记录 所有 Object 在文件中的位置信息。

Trailer

Trailer 中有两部分，一部分是一个 Dictionary 记录了一些基础的信息，比如 PDF 的Info, 加密信息，比较重要的是记录的 Document Structure 的 Root ， 后面还会提到这个。领一部分是记录 cross reference table 的起始位置,下面是一个 Trailer 的示例

Trailer
<<
key1, value1
key2, value2
...
>>
startxref
int(这个 int 记录 cross reference table 的位置)
%EOF

开始解析 PDF 的时候大致可以分 下面几个步骤

  1. 从文件读取 Trailer 中的信息
  2. 从 Trailer 获取 cross reference table 的位置开始解析 cross reference table
  3. 从 trailer 获取 Document Structure 的 跟节点 开始解析出文档结构的信息。

这里有 File Structure 和 Document Structure 两个概念，File Structure 是文件的物理结构信息，Document Structure 是文档逻辑结构，比如每页的位置，每一页也是很多 Object 组成的。

Objects

在读 Trailer 和解析 cross reference table 我们需要知道 PDF 都有哪些 Objects, 他们的解析的方法是什么。Trailer 又一个 Dictionary, Dictionary 就是一种 PDF 支持的 Objects, Cross reference Table 因为版本的原因有两种方式，其中最新的版本就是 Objects 组成的。

PDF 是从 PostScript 演化来的，Objects 也就类似我们变成语言中支持的数据类型

Boolean Objects

Boolean 就两种 true, false,

Numeric Objects

数值类型有两种，一种是整数(Integer objects),一种是实数(Real objects),我想这里指浮点数。下面这些都是数值类型的写法

123 43445 +17 -98 0 34.5 -3.62 +123.6 4. -.002 0.0

String Objects

String 也有两种，一种是 Literal String 这种是在小括号中的字符串组成，比如:

( This is a string )

另一种是 Hexadecimal String 从字面意思可以看到这种字符串是16 进制的，放在两个尖括号里面, 比如

< 4E6F762073686D6F7A206B6120706F702E >

当然字符串有其他许多规则，比如 Literal String 里面有特殊符号怎么办之类的.

Name Objects

Name Objects 用 / 开头后面跟字符串表示比如:

\Root

Array Objects

Array 是一种符合结构，和 Python 的 List 一样里面可以是任何 PDF Objects 包括 Array 本身,定义在中括号里，比如下面这个 Array 有两个数值，一个 Bool, 一个 String, 和一个 Name.

[ 549 3.14 false ( Ralph ) /SomeName ]

Dictionary Objects

Dictionary 是一组 Key 和 value ，类似变成语言中的 Map, 语法定义是在两个<< 和 >> 之间, key 都是 Name 类型，Value 可以是任何 PDF Objects 包括 Dictionary.

<< /Type /Example
  /Subtype /DictionaryExample
  /Version 0 . 01
  /IntegerItem 12
  /StringItem ( a string )
  /Subdictionary << /Item1 0 . 4
    /Item2 true
    /LastItem ( not ! )
    /VeryLastItem ( OK )
  >>
>>

Stream Objects

Stream 包含两部分，一部分是一个 Dictionary ，另一部分是二进制流，是 Stream 的内容。Stream 是很常见的对象，比如表示图片的时候，Dictionary保存图片的信息，宽高等，Stream 保存图片的具体内容，语法的大体如下, stream 和 endstream 是关键字，中间的部分就是stream 具体内容

dictionary
stream
… Zero or more bytes …
endstream

Null Object

Null 和变成语言中的 None 一样

Indirect Objects

Indirect Objects 是一中特使的类型，可以理解它是 Objects 的一种引用，比如在一个 Dictionary 的 Value 是一个 Stream ， 由于 Stream 通常很大等因素,不太好把这个 Stream 写到这个 Dictionary 当前位置，我们就可以把 Stream 保存到其他位置，然后把这个 Stream 在 cross reference table 中的编号存成 Dictionary 的Value。 读到这个 Indirect Objects 我们可以去 cross reference table 中找到具体位置然后解析这个 Stream。

前面实现一个 PDF 阅读器之前，需要实现这些这些 PDF Objects 的解析规则，具体的实现可以参考我用 Rust 实现的 PDF 阅读器的Parser 部分 rspdf

avatar
文章
阅读
粉丝